Machine Learning RSI BullVision: Free TradingView Indicator (Pine Script)

Add It to Your TradingView Chart

1Copy the scriptPress Copy script above, or the copy button on the code below.
2Open the Pine EditorOpen a TradingView chart and choose Pine Editor at the bottom of the screen.
3Paste over the templateCreate a new indicator, select all of the template text and paste. Press Save and give it a name.
4Add it to the chartPress Add to chart, then adjust the settings with the gear icon next to its name.

Source Code

461 lines of Pine Script v5 from pinescript/editors_picks/machine-learning-rsi-bullvision.pine, published under MPL-2.0 (file header). Keep the author's credit and licence lines when you reuse it.

machine-learning-rsi-bullvision.pine

// This Pine Script™ code is subject to the terms of the Mozilla Public License 2.0 at https://mozilla.org/MPL/2.0/
// BullVisionCapital

//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%#@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%+=#@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*==+@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@*===+@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@#+#@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@#====+@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@==#@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@#=====+%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*===#@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@#========*#%%%@@%%%%%%%%%%%@@@@@@@@@%#+====+@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@#==============*+===========*%@#+========+@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%*=============+=============#@*======+#@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%#+========================#@%==+#%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%%##+==================+%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@+===============================@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%==================*@@@*=======@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%@@@%#*=============++*%#=====%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@#==========================+=====*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@*==================================+%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@*==========++=========================*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@#==========+@%+====================#+====#@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@%+=========+@@@@#===================#@%+==%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@#=========+@@@@@@@@@%%%%%%%*==============@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@#========+@@@@@@@@@@@@@@@@@@@@@#========+@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@%+=======%@@@@@@@@@@@@+@@@@@@@@@@@%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@%+=====*@@@@@@@%@@@%+==#@@@@@@#%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@+====#@@@@@@@=@@@%+==#@@@@@===#@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@#===#@@@@@%*=*%@%+==#@@@@@==*@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%*=#@@@@@#+==%@%+==#@@@@+=#@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%@@@@@@#+==%@%+==#@@@+=%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@#+==%@@@=@@@@**@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@#+==%@@@#@@@#%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@%=%@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@+@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@
//@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@@

//@version=5
indicator(" Machine Learning RSI ║ BullVision",shorttitle = "🤖🧠 Machine Learning RSI ║ BullVision🤖🧠", overlay=false)

// ╔══════════════════════════════════════════════════════════════════════════════╗
// ║                                                                              ║
// ║ RSI with K-Nearest Neighbors (KNN) Machine Learning                          ║
// ║                                                                              ║
// ║ This indicator enhances the traditional RSI using machine learning.          ║
// ║                                                                              ║
// ║ The KNN algorithm identifies historical situations most similar to current   ║
// ║ market conditions by analyzing multiple features:                            ║
// ║   - RSI value itself                                                         ║
// ║   - Momentum (rate of change)                                                ║
// ║   - Volatility (standard deviation)                                          ║
// ║   - Slope (linear regression)                                                ║
// ║   - Price momentum                                                           ║
// ║                                                                              ║
// ║ Once these similar historical situations are found, their outcomes are       ║
// ║ weighted by similarity to predict how the RSI might behave in the current    ║
// ║ situation, creating a more responsive and accurate indicator.                ║
// ║                                                                              ║
// ╚══════════════════════════════════════════════════════════════════════════════╝

// ===== Import Required Libraries =====
import TradingView/ta/7

// ===== Input Parameters =====

// =====================================================================================
//                                     📊 RSI Base Settings
// =====================================================================================
group_rsi = "📊 ================ RSI Base Settings ================"
rsiLength = input.int(14, "RSI Length", minval=1, group=group_rsi)
useSmoothing = input.bool(true, "Apply Moving Average", group=group_rsi)
smoothingLength = input.int(3, "MA Length", minval=1, group=group_rsi)
maType = input.string("ALMA", "Moving Average Type", options=["SMA", "EMA", "DEMA", "TEMA", "WMA", "VWMA", "SMMA", "HMA", "LSMA", "ALMA"], group=group_rsi)
almaSigma = input.int(4, "ALMA Sigma", minval=1, group=group_rsi)
// =====================================================================================
//                                    📏 Threshold Settings
// =====================================================================================
group_threshold = "📏 ================ Threshold Settings ================"
//useAdaptiveThresholds = input.bool(true, "Use Adaptive Thresholds", tooltip="Automatically adjust overbought/oversold levels based on market conditions", group=group_threshold)
rsiOverbought = input.int(70, " Overbought Level", minval=50, maxval=100, group=group_threshold)
rsiOversold = input.int(30, " Oversold Level", minval=0, maxval=50, group=group_threshold)

// =====================================================================================
//                                   🧠 KNN Machine Learning Parameters
// =====================================================================================
group_knn = "🧠 ================ KNN Machine Learning ================"
useKnn = input.bool(true, "Enable KNN Machine Learning", group=group_knn)
knnNeighbors = input.int(5, "K - Number of Neighbors", minval=1, maxval=50, group=group_knn)
knnLookback = input.int(100, "Historical Period for KNN", minval=20, maxval=500, group=group_knn)
knnWeight = input.float(0.4, "ML Weight vs Standard RSI", minval=0.0, maxval=1.0, step=0.1, group=group_knn)
featureCount = input.int(3, "Number of Features", minval=1, maxval=5, tooltip="Number of characteristics for finding similar market conditions", group=group_knn)
// =====================================================================================
//                                   🔍 Advanced Filtering
// =====================================================================================
group_filter = "🔍 ================ Advanced Filtering ================"
useFilter = input.bool(true, "Apply Additional Smoothing", group=group_filter)
filterMethod = input.string("Kalman", "Smoothing Method", options=["None", "Kalman", "DoubleEMA", "ALMA"], group=group_filter)
filterStrength = input.float(0.3, "Smoothing Parameter", minval=0.01, maxval=1.0,step = 0.01, group=group_filter)
// =====================================================================================
//                                   🎨 Visual Settings
// =====================================================================================
group_visual = "🎨 ================ Visual Settings ================"
neonEffect = input.bool(true, "Neon Effect", tooltip="Enable vibrant neon-like colors", group=group_visual)
colorScheme = input.string("Classic", "Color Palette", ["Classic", "Deuteranopia", "Protanopia", "Tritanopia", "Monochrome"], group=group_visual)
colorMode = input.string("Trend Following", "Coloring Mode", ["None", "Trend Following", "Impulse"], group=group_visual)

// =====================================================================================
//                                   COLOR DEFINITION 
// =====================================================================================
// Colors adapted for different types of color blindness
[bullColor, bearColor] = switch colorScheme
    "Classic"    => [neonEffect ? color.rgb(0, 255, 187) : color.rgb(0, 183, 18), 
                     neonEffect ? color.rgb(255, 17, 0) : color.rgb(195, 0, 16)]
    "Deuteranopia" => [color.rgb(0, 170, 255), color.rgb(255, 204, 0)] // Blue/Yellow for red-green color blindness
    "Protanopia"  => [color.rgb(0, 170, 230), color.rgb(230, 175, 0)]  // Blue/Yellow variant
    "Tritanopia"  => [color.rgb(255, 112, 0), color.rgb(0, 33, 171)]   // Red/Blue for blue-yellow color blindness
    "Monochrome"  => [color.rgb(222, 226, 230), color.rgb(73, 80, 87)] // High contrast grayscale

// =====================================================================================
//                                   RSI Calculation Functions 
// =====================================================================================
// Moving Average wrapper function
// Moving Average wrapper function
calcMovingAverage(type, src, length, sigma) =>
    float result = na
    if type == "SMA"  
        result := ta.sma(src, length)
    else if type == "EMA"  
        result := ta.ema(src, length)
    else if type == "DEMA"  
        // Double EMA implementation
        e1 = ta.ema(src, length)
        e2 = ta.ema(e1, length)
        result := 2 * e1 - e2
    else if type == "TEMA"  
        // Triple EMA implementation
        e1 = ta.ema(src, length)
        e2 = ta.ema(e1, length)
        e3 = ta.ema(e2, length)
        result := 3 * (e1 - e2) + e3
    else if type == "WMA"  
        // Weighted Moving Average implementation
        norm = 0.0
        sum = 0.0
        for i = 0 to length - 1
            weight = (length - i)
            norm := norm + weight
            sum := sum + src[i] * weight
        result := sum / norm
    else if type == "VWMA"
        result := ta.vwma(src, length)
    else if type == "SMMA"
        // Smoothed Moving Average implementation (also known as RMA)
        result := ta.rma(src, length)
    else if type == "HMA"  
        result := ta.hma(src, length)
    else if type == "LSMA"
        // Least Squares Moving Average (Linear Regression)
        result := ta.linreg(src, length, 0)
    else if type == "ALMA"
        result := ta.alma(src, length, 0.85, sigma)
    result

// =====================================================================================
//                                   Calculate base RSI
// =====================================================================================
baseRsi = ta.rsi(close, rsiLength)
smoothedRsi = calcMovingAverage(maType, baseRsi, smoothingLength, almaSigma)
standardRsi = useSmoothing ? smoothedRsi : baseRsi

// =====================================================================================
//                                   FEATURE EXTRACTION FUNCTIONS
// =====================================================================================

// Calculate momentum (rate of change)
getMomentum(source, length) => source - source[length]

// Calculate volatility (standard deviation)
getVolatility(source, length) => ta.stdev(source, length)

// Calculate slope (linear regression difference)
getSlope(source, length) => ta.linreg(source, length, 0) - ta.linreg(source, length, 1)

// Min-max normalization function
normalize(source, length) =>
    maxVal = ta.highest(source, length)
    minVal = ta.lowest(source, length)
    valueRange = maxVal - minVal
    valueRange != 0 ? (source - minVal) / valueRange : 0.5

// Euclidean distance calculation
euclideanDistance(v1, v2) =>
    float sum = 0.0
    for i = 0 to array.size(v1) - 1
        sum := sum + math.pow(array.get(v1, i) - array.get(v2, i), 2)
    math.sqrt(sum)

// =====================================================================================
//                                   ADAPTIVE THRESHOLDS
// =====================================================================================
// Calculates dynamic overbought/oversold levels based on historical RSI distribution
calculateAdaptiveThresholds(src, period, percentile) =>
    var rsiValues = array.new_float(0)
    
    // Reset array when period changes
    if barstate.isfirst or array.size(rsiValues) > period
        array.clear(rsiValues)
    
    array.push(rsiValues, src)
    
    // Keep array size equal to period
    if array.size(rsiValues) > period
        array.shift(rsiValues)
    
    // Sort values for percentile calculation
    sortedValues = array.copy(rsiValues)
    array.sort(sortedValues)
    
    // Find percentile indices
    int lowIndex = math.floor(array.size(sortedValues) * percentile / 100)
    int highIndex = math.floor(array.size(sortedValues) * (100 - percentile) / 100)
    
    // Get threshold values (with safety checks)
    lowVal = array.size(sortedValues) > 0 and lowIndex < array.size(sortedValues) ? array.get(sortedValues, lowIndex) : 30
    highVal = array.size(sortedValues) > 0 and highIndex < array.size(sortedValues) ? array.get(sortedValues, highIndex) : 70
    
    [lowVal, highVal]

// =====================================================================================
//                                   KNN MACHINE LEARNING 
// =====================================================================================
knnEnhancedRsi() =>
    float enhancedRsi = standardRsi
    float knnDivergence = 0.0
    int effectiveK = 0

    // Arrays to collect ML extreme candidates
    var overBoughtCandidates = array.new_float(0)
    var overSoldCandidates = array.new_float(0)
    array.clear(overBoughtCandidates)
    array.clear(overSoldCandidates)

    // Current point features
    var currentPoint = array.new_float(0)
    array.clear(currentPoint)
    array.push(currentPoint, normalize(standardRsi, knnLookback))
    if featureCount >= 2
        array.push(currentPoint, normalize(getMomentum(standardRsi, 3), knnLookback))
    if featureCount >= 3
        array.push(currentPoint, normalize(getVolatility(standardRsi, 10), knnLookback))
    if featureCount >= 4
        array.push(currentPoint, normalize(getSlope(standardRsi, 5), knnLookback))
    if featureCount >= 5
        array.push(currentPoint, normalize(getMomentum(close, 5), knnLookback))

    var distances = array.new_float(0)
    var indices = array.new_int(0)
    array.clear(distances)
    array.clear(indices)

    // Calculate distances to historical points
    for i = 1 to knnLookback
        if i < bar_index
            var historicalPoint = array.new_float(0)
            array.clear(historicalPoint)
            array.push(historicalPoint, normalize(standardRsi[i], knnLookback))
            if featureCount >= 2
                array.push(historicalPoint, normalize(getMomentum(standardRsi[i], 3), knnLookback))
            if featureCount >= 3
                array.push(historicalPoint, normalize(getVolatility(standardRsi[i], 10), knnLookback))
            if featureCount >= 4
                array.push(historicalPoint, normalize(getSlope(standardRsi[i], 5), knnLookback))
            if featureCount >= 5
                array.push(historicalPoint, normalize(getMomentum(close[i], 5), knnLookback))

            if array.size(currentPoint) == array.size(historicalPoint)
                dist = euclideanDistance(currentPoint, historicalPoint)
                array.push(distances, dist)
                array.push(indices, i)

            array.clear(historicalPoint)

    if array.size(distances) > 1
        for i = 0 to array.size(distances) - 2
            for j = 0 to array.size(distances) - 2 - i
                if array.get(distances, j) > array.get(distances, j + 1)
                    tempDist = array.get(distances, j)
                    array.set(distances, j, array.get(distances, j + 1))
                    array.set(distances, j + 1, tempDist)

                    tempIdx = array.get(indices, j)
                    array.set(indices, j, array.get(indices, j + 1))
                    array.set(indices, j + 1, tempIdx)

        float weightedSum = 0.0
        float weightSum = 0.0
        effectiveK := math.min(knnNeighbors, array.size(distances))

        if effectiveK > 0
            for i = 0 to effectiveK - 1
                if i < array.size(distances)
                    idx = array.get(indices, i)
                    dist = array.get(distances, i)
                    weight = dist < 0.0001 ? 1.0 : 1.0 / dist

                    float neighborRsi = na
                    if idx < bar_index
                        neighborRsi := standardRsi[idx - 1]

                        // Sécurité sur futureReturn
                        float futureReturn = na
                        if (idx + 5 < bar_index + 1 and not na(close[idx + 5]) and not na(close[idx]))
                            futureReturn := close[idx + 5] - close[idx]

                        // Identification des zones extrêmes
                        if not na(futureReturn)
                            if futureReturn > close[idx] * 0.02
                                array.push(overBoughtCandidates, standardRsi[idx])
                            if futureReturn < close[idx] * -0.02
                                array.push(overSoldCandidates, standardRsi[idx])

                    if not na(neighborRsi)
                        weightedSum := weightedSum + neighborRsi * weight
                        weightSum := weightSum + weight

            if weightSum > 0.0
                knnRsi = weightedSum / weightSum
                enhancedRsi := (1.0 - knnWeight) * standardRsi + knnWeight * knnRsi
                enhancedRsi := math.max(0.0, math.min(100.0, enhancedRsi))

                float diffSum = 0.0
                int count = 0
                for i = 0 to effectiveK - 1
                    if i < array.size(distances)
                        idx = array.get(indices, i)
                        if idx < bar_index
                            diffSum := diffSum + math.abs(standardRsi - standardRsi[idx])
                            count := count + 1

                knnDivergence := count > 0 ? diffSum / count : 0.0

    adaptiveOverboughtML = array.size(overBoughtCandidates) > 0 ? array.avg(overBoughtCandidates) : 70
    adaptiveOversoldML  = array.size(overSoldCandidates) > 0 ? array.avg(overSoldCandidates) : 30

    [enhancedRsi, knnDivergence, effectiveK, adaptiveOversoldML, adaptiveOverboughtML]


// =====================================================================================
//                                   APPLY ALGORITHMS
// =====================================================================================

// Get enhanced RSI from KNN
[knnRsi, knnDivergence, kEffective, adaptiveOversoldML, adaptiveOverboughtML] = knnEnhancedRsi()

actualOversold = rsiOversold
actualOverbought = rsiOverbought

// Use either standard or KNN-enhanced RSI
mlRsi = useKnn ? knnRsi : standardRsi

// Apply advanced filtering if enabled
filteredRsi = switch filterMethod
    "None" => mlRsi
    "Kalman" =>
        var float kfRsi = na
        kfRsi := na(kfRsi) ? mlRsi : kfRsi + filterStrength * (mlRsi - kfRsi)
        kfRsi
    "DoubleEMA" =>
        var float ema1 = na
        var float ema2 = na
        ema1 := ta.ema(mlRsi, math.round(filterStrength * 10))
        ema2 := ta.ema(ema1, math.round(filterStrength * 5))
        ema2
    "ALMA" =>
        ta.alma(mlRsi, math.round(filterStrength * 20), 0, 6)
    => mlRsi

// Final RSI value after all processing
finalRsi = useFilter ? filteredRsi : mlRsi

// ===== Color Determination =====
color indicatorColor = switch colorMode
    "None"              => na
    "Trend Following"   => finalRsi > 50 ? bullColor : bearColor
    "Impulse"           => finalRsi > actualOverbought ? bullColor : finalRsi < actualOversold ? bearColor : finalRsi < 55 and finalRsi > 45 ? color.white : color.gray


// =====================================================================================
//                                   VIUSALS AND PLOTS
// =====================================================================================
// Variables for transparency
t_ = 20   // Secondary transparency for bar coloring

// Main RSI line
rsiLine = plot(finalRsi, "RSI KNN", finalRsi > 50 ? indicatorColor : indicatorColor, 3)

// Median line (level 50)
midLine = plot(50, "50 Level", color.new(color.white, 70), 1)

// Fill between RSI and median line with gradient

fill(rsiLine, midLine, finalRsi > 50 ? finalRsi : 50, finalRsi > 50 ? 50 : finalRsi, 
     neonEffect ? (finalRsi > 50 ? indicatorColor : #00000000) : #00000000, 
     neonEffect ? (finalRsi > 50 ? #00000000 : indicatorColor) : #00000000)

// Overbought/oversold zones with gradient
// Overbought zone
obUpper = plot(100, "", color.new(bearColor, 0), display=display.none)
obLower = plot(actualOverbought, "", color.new(bearColor, 0), 1)
obMid = plot((100 + actualOverbought) / 2, "", display=display.none)

// Oversold zone
osUpper = plot(actualOversold, "", color.new(bullColor, 0), 1)
osLower = plot(0, "", color.new(bullColor, 0), display=display.none)
osMid = plot(actualOversold / 2, "", display=display.none)

// Chart bar coloring
barcolor(finalRsi > 50 ? color.new(bullColor, t_) : color.new(bearColor, t_))



// =====================================================================================
//                                   TABLE
// =====================================================================================

// =====================================================================================
//                                   TABLE DISPLAY
// =====================================================================================


string modeUsed = colorMode


string context = switch colorMode
    "Trend Following" => finalRsi > 50 ? "Bullish Trend" : "Bearish Trend"
    "Impulse" => finalRsi > actualOverbought ? "Bullish Impulse" :
                 finalRsi < actualOversold ? "Bearish Impulse" : "None"
    => "None"


string mlStatus = useKnn ? "YES" : "NO"


tableColor = #160d0db3
var table myTable = table.new(position = position.top_right,columns = 4, rows = 6,bgcolor = #160d0db3, border_color = #160d0db3,border_width = 1, frame_color = #ffffff, frame_width = 1,force_overlay = true)

if bar_index % 10 == 0  // Met à jour toutes les 10 bougies pour optimiser les perfs
    table.cell(myTable, 0, 0, "Mode", text_color=color.white, bgcolor=tableColor)
    table.cell(myTable, 1, 0, modeUsed, text_color=color.white, bgcolor=tableColor)

    table.cell(myTable, 0, 1, "Detected", text_color=color.white, bgcolor=tableColor)
    table.cell(myTable, 1, 1, context, text_color=color.white, bgcolor=tableColor)

    table.cell(myTable, 0, 2, "Machine Learning", text_color=color.white, bgcolor=tableColor)
    table.cell(myTable, 1, 2, mlStatus, text_color=color.white, bgcolor=tableColor)

    table.cell(myTable, 0, 3, "OB/OS Thresholds", text_color=color.white, bgcolor=tableColor)
    table.cell(myTable, 1, 3, str.tostring(actualOverbought) + " / " + str.tostring(actualOversold), text_color=color.white, bgcolor=color.new(color.black, 70))

Overview

Machine Learning RSI BullVision combines the standard RSI with KNN predictions for improved signal generation. The script applies smoothing using ALMA and Kalman filter for cleaner signals. It plots the resulting oscillator values along with customizable overbought and oversold levels in a separate pane below the price chart. Users can adjust RSI length, smoothing settings, KNN parameters, filter strength, and visual effects like neon. The color mode determines how the lines are colored for trend following. It is a standalone indicator with no buy or sell signals or risk management rules.

KNN RSI Oscillator
ALMA Smoothing
Kalman Filter
Neon Effect
BullVision

Details

Published by

regalouisei on GitHub

Type

Indicator, Pine Script v5

Draws

Separate pane below the chart

Markets

Any symbol

Timeframes

Any timeframe

Risk Notes

No repainting, lookahead or stacked entries were found in its code or README. That says nothing about how well it works: test it first.

File

pinescript/editors_picks/machine-learning-rsi-bullvision.pine

Repository

github.com/regalouisei/collect-tradingview. See its other scripts in the library

Settings

The inputs you can change from the gear icon on the chart. Defaults are the author's.

Setting	Type	Default	Variable
RSI Length	`int`	`14`	`rsiLength`
Apply Moving Average	`bool`	`true`	`useSmoothing`
MA Length	`int`	`3`	`smoothingLength`
Moving Average Type	`string`	`ALMA`	`maType`
ALMA Sigma	`int`	`4`	`almaSigma`
Overbought Level	`int`	`70`	`rsiOverbought`
Oversold Level	`int`	`30`	`rsiOversold`
Enable KNN Machine Learning	`bool`	`true`	`useKnn`
K - Number of Neighbors	`int`	`5`	`knnNeighbors`
Historical Period for KNN	`int`	`100`	`knnLookback`
ML Weight vs Standard RSI	`float`	`0.4`	`knnWeight`
Number of Features	`int`	`3`	`featureCount`

Show all 18 settings

Setting	Type	Default	Variable
Apply Additional Smoothing	`bool`	`true`	`useFilter`
Smoothing Method	`string`	`Kalman`	`filterMethod`
Smoothing Parameter	`float`	`0.3`	`filterStrength`
Neon Effect	`bool`	`true`	`neonEffect`
Color Palette	`string`	`Classic`	`colorScheme`
Coloring Mode	`string`	`Trend Following`	`colorMode`

Third-party code. ForexR did not write, test or endorse this script, and the summary above was generated automatically from its code and README. Indicators describe the past, and a strategy's backtest can look better than live trading, especially when a script repaints. Check it in the Strategy Tester and on a demo account before you rely on it.

Similar Pine Scripts

Similarity Search, Karobein and Seasonal Random Index

by capissimo

114

This indicator combines a dynamic Seasonal Random Index (SRI) with a dynamic Karobein Oscillator and a pattern-similarity search algorithm in a separate pane. It normalizes SRI into seasoned and deseasoned series, shading the area green or red to signal trend

Indicator v4 Oscillators & momentumTrend

Updated 1 year ago · None stated

AI SuperTrend Clustering Oscillator [LuxAlgo]

by hasnocool

106

This indicator plots an oscillator in a separate pane. It builds several SuperTrend series across a user-defined factor range and step, using ATR as the band width. On each bar it measures the distance between the close and each SuperTrend output, then groups

Indicator v5 TrendVolatility & bands

Updated 2 years ago · GPL-3.0

Expectation Maximization Gaussian Mixture Regime

by ChartsLector

41

The Expectation Maximization Gaussian Mixture Regime indicator clusters market states into two to five components using an online Expectation-Maximization Gaussian Mixture Model. It processes three input features: volatility-normalized momentum, relative volat

Indicator v6 AI / machine learningOscillators & momentum

Updated 2 days ago · None stated

Lorentzian Classification

by SynergOps

7

Lorentzian Classification is a machine learning indicator that applies a k-nearest neighbors algorithm using Lorentzian distance to analyze market patterns. It processes configurable technical indicators, including RSI, WaveTrend, CCI, and ADX, as feature vect

Indicator v6 AI / machine learningOscillators & momentum

Updated 1 year ago · MPL-2.0

ANN MACD Future Forecast (SPY 1D)

by user-Noldo

2

The ANN MACD Future Forecast is an experimental indicator serving as a true deep learning sample on TradingView. It calculates Bollinger Bands and Squeeze Momentum using custom functions for SMA, EMA, standard deviation, highest and lowest values. The script p

Indicator v4 AI / machine learningVolatility & bands

Updated 7 years ago · MIT

Machine Learning: Optimal RSI [YinYangAlgorithms]

by codekalimi

2

This indicator plots an optimal RSI in a separate pane and uses a k-nearest neighbour machine learning routine to adjust lookback and RSI count. It can mark RSI crossings, draw adaptive Bollinger bands around the RSI, and show tables of current settings. Users

Indicator v5 Oscillators & momentumVolatility & bands

Updated 2 years ago · None stated

More indicators

Machine Learning RSI BullVision